CN111445015B - 一种智能网联环境下非网联车位置估计方法 - Google Patents

一种智能网联环境下非网联车位置估计方法 Download PDF

Info

Publication number
CN111445015B
CN111445015B CN202010542068.8A CN202010542068A CN111445015B CN 111445015 B CN111445015 B CN 111445015B CN 202010542068 A CN202010542068 A CN 202010542068A CN 111445015 B CN111445015 B CN 111445015B
Authority
CN
China
Prior art keywords
vehicle
networked
following
data
internet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010542068.8A
Other languages
English (en)
Other versions
CN111445015A (zh
Inventor
季欣凯
冒培培
洪阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202010542068.8A priority Critical patent/CN111445015B/zh
Publication of CN111445015A publication Critical patent/CN111445015A/zh
Application granted granted Critical
Publication of CN111445015B publication Critical patent/CN111445015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种智能网联环境下非网联车辆位置估计方法，属于智能网联交通车辆位置感知技术领域，包括以下步骤：（1）获取高速公路上非网联‑网联跟驰车对中网联车辆在T时间段内的交通流数据；其中，非网联车为被跟驰车辆，网联车为跟驰车辆；所述交通流数据包括速度、加速度数据以及车辆编号；（2）对网联车辆的速度和加速度数据进行预处理；（3）基于BP神经网络利用网联车辆的速度和加速度数据估计非网联车辆的速度；（4）基于标定好的跟驰模型求解非网联车辆的位置。本发明利用智能网联车辆数据估计被网联车辆跟驰的非网联车辆位置，对高速公路非网联车辆位置数据感知具有重要意义，为提升高速公路主动管理水平提供了有力的技术支撑。

Description

一种智能网联环境下非网联车位置估计方法
技术领域
本发明涉及智能网联交通车辆位置感知技术领域，特别是一种智能网联环境下非网联车位置估计方法。
背景技术
准确而全面的交通数据是主动管理技术得到有效应用的基础。目前高速公路数据获取主要依赖于交调***、手机检测器和视频检测器。随着智能网联技术的发展，高速公路上交通数据的采集将可以从断面和局部路段逐渐过渡到全路段覆盖。在智能网联交通***中，智能网联车辆可利用LTE-V技术将车辆自身的位置、速度、加速度等数据实时上传到路侧设备，从而可以实现整个道路智能网联车辆的精准检测和实时预测。
智能网联技术的发展将从根本上改变目前高速公路数据采集与主动管理的现状，但智能网联的发展并非一蹴而就。在未来很长一段时间内将存在着普通车辆与智能网联车辆混行的状况。在这样的现实背景下，于有一定比例智能网联车辆的混合交通流环境中，利用智能网联车辆数据来估计非网联车辆的位置、速度等车辆信息，这不仅能提高高速公路混合交通流环境中的交通监测水平，而且能提升高速公路的主动管理水平，缓解交通拥堵，最终推动智能网联交通的发展，对智能交通的发展和经济社会进步具有十分重要的现实意义。
在混合交通流环境中，智能网联车的车辆位置、速度和加速度等数据可运用LTE-V通信方式获取，而非网联车的位置、速度和加速度则无法轻易获取，为了能对道路上非网联车的状态进行监控，提升交通感知水平，为此本发明提出了一种智能网联环境下非网联车位置估计方法。
发明内容
为了解决以上问题，本发明提供一种智能网联环境下非网联车位置估计方法，本发明的目的是在混合交通流环境中，根据交通流特性，利用智能网联车辆数据估计非网联车辆的位置。本发明对提升高速公路交通流数据感知水平具有重要意义。
为达此目的，本发明提供了一种智能网联环境非网联车位置估计方法，具体步骤如下：
（1）获取高速公路上非网联-网联跟驰车对中网联车辆在T时间段内的交通流数据；所述非网联-网联跟驰车对中，非网联车为被跟驰车辆，网联车为跟驰车辆；所述交通流数据包括速度、加速度数据以及车辆编号，其中，车辆编号是唯一确定该车辆的数据；
（2）对网联车辆的速度和加速度数据分别进行平滑和归一化预处理，得到预处理的速度和加速度数据；
（3）基于训练好的BP神经网络利用步骤（2）获得的预处理的速度和加速度数据估计非网联车辆的速度；
（4）基于标定好的智能驾驶员模型(IDM)利用步骤（3）估计的非网联车辆的速度求解非网联车辆的位置；
其中，智能驾驶员模型(IDM)采用人工蜂群算法利用高速公路历史交通流数据进行标定。
进一步地，所述步骤（1）中，交通流数据为或能转化为结构化数据。
进一步地，所述步骤（2）中包含如下步骤：
（2.1）基于sEMA方法对网联车辆的速度和加速度数据分别进行平滑处理；
（2.2）采用min-max标准化对网联车辆的速度和加速度数据分别进行归一化处理。
进一步地，所述步骤（3）中，将网联车辆前t秒时间内的速度和加速度数据序列构建为BP神经网络的输入向量，拟合非网联车辆的速度数据，t<T。
进一步地，所述步骤（4）中，智能驾驶员模型采用人工蜂群算法利用高速公路历史交通流数据进行标定，标定时以实际加速度与仿真加速度和实际轨迹与仿真轨迹误差之和最小为优化目标，目标方程为：
Figure 680568DEST_PATH_IMAGE001
其中，m=1,…M表示第m个跟驰车对，n=1,…,N表示一个跟驰车对中第n个跟驰样本 数据；
Figure 91958DEST_PATH_IMAGE002
为跟驰车辆在仿真时间间隔结束时的实际观测到的加速度；
Figure 998734DEST_PATH_IMAGE003
为跟驰车辆在 仿真时间间隔结束时的仿真所得的加速度；
Figure 641855DEST_PATH_IMAGE004
表示在仿真时间间隔结束时的实际观测 到的跟驰车对的车头时距；
Figure 583266DEST_PATH_IMAGE005
表示在仿真时间间隔结束时的仿真所得的跟驰车对的车 头时距。
（4.1）根据智能驾驶员模型计算非网联车与网联车辆的期望间距
Figure 165557DEST_PATH_IMAGE006
，具体公式为：
Figure 559629DEST_PATH_IMAGE007
其中，
Figure 767626DEST_PATH_IMAGE008
为静止安全距离；
Figure 32385DEST_PATH_IMAGE009
为系数，取值为0；
Figure 51157DEST_PATH_IMAGE010
为跟驰车辆
Figure 666946DEST_PATH_IMAGE011
的速度；
Figure 914519DEST_PATH_IMAGE012
为自 由流速度；
Figure 564943DEST_PATH_IMAGE013
为安全时间间隔；
Figure 223457DEST_PATH_IMAGE014
为最大加速度；b为舒适减速度；
Figure 592122DEST_PATH_IMAGE011
为网联车编号，
Figure 876341DEST_PATH_IMAGE011
-1为非 网联车编号；
（4.2）根据（4.1）计算得到的期望间距和智能驾驶员模型参数计算非网联车与网 联车辆的车辆间隙
Figure 646851DEST_PATH_IMAGE015
：
Figure 476267DEST_PATH_IMAGE016
式中，δ为加速度指数，取值为4；
Figure 332228DEST_PATH_IMAGE017
为跟驰车辆
Figure 918673DEST_PATH_IMAGE018
的加速度；
（4.3）根据网联车辆的位置、车辆长度以及（4.2）计算得到的车辆间隙求解非网联车辆的位置：
Figure 278110DEST_PATH_IMAGE019
式中，
Figure 544007DEST_PATH_IMAGE020
为t i 时刻非网联车位置；
Figure 621684DEST_PATH_IMAGE021
为t i 时刻网联车位置；
Figure 513286DEST_PATH_IMAGE022
为非网联 车车身长度。
有益效果：
（1）在如今大力发展智能网联交通***的背景下，本方法利用智能网联车辆数据估计非网联车辆的位置，提升混合交通流环境中的交通感知水平。
（2）从数据驱动角度出发，采用神经网络模型对非网联车辆的速度值进行拟合，再根据网联车辆的速度和加速度信息利用跟驰模型进行位置估计，使得非网联车辆的位置估计更为准确。
附图说明
图1为本发明方法的总体流程图。
图2为本发明方法的BP神经网络结构图。
图3为本发明方法的非网联车辆位置估计结果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种智能网联环境下非网联车位置估计方法，本发明的目的是从数据驱动角度出发，采用神经网络模型对非网联车辆的速度值进行拟合，再根据网联车辆的速度和加速度信息利用跟驰模型进行非网联车辆的位置估计。本发明对提升高速公路交通流数据感知水平具有重要意义。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
作为一个实施例，已知城市某高速公路交通流数据，共包含有25个字段，用以描述车辆的运动状态等信息（表1），利用本发明提供的方法计算非网联车辆的位置。
表1 某高速公路交通流数据字段表
字段 描述 字段 描述
Vehicle_ID 车辆编号（按进入路段的时间递增）。 Lane_ID 车辆当前车道位置。车道1是最左边的车道；车道5是最右边的车道。6号车道是Ventura Boulevard入口匝道和Cahuenga Boulevard出口匝道之间的辅助车道。7号车道是Ventura Boulevard入口匝道，8号车道是CahuengaBoulevard的出口匝道。
Frame_ID 帧标识号（按开始时间递增） O_Zone 车辆的起点区域
Total_Frames 车辆在此数据集中出现的总帧数 D_Zone 车辆的终点区域
Global_Time 自1970年1月1日以来的经过时间(ms)。 Int_ID 车辆行驶的交叉口
Local_X 车辆前部中心的横向（X）坐标相对于行进方向上的路段的最左边缘距离(ft) Section_ID 车辆行驶的路段部分
Local_Y 车辆前部中心的纵向（Y）坐标相对于行进方向上的入口起点的距离(ft） Direction 车辆的行驶方向
Global_X CA State PlaneIII in NAD83坐标系中的X坐标(ft） Movement 车辆的运动转向
Global_Y CA State PlaneIII in NAD83坐标系中的Y坐标(ft) Preceding 同一车道中前车的车辆ID
v_length 车辆长度(ft） Following 同一车道中跟随着本车行驶的车辆ID
v_Width 车辆宽度(ft) Space_Headway 车头间距，车辆前部中心到前面车辆前部中心的距离(ft)
v_Class 车型：1-摩托车，2-汽车，3-卡车 Time_Headway 车头时距(s)= Space_Headway/ v_Vel
v_Vel 车辆的瞬时速度(ft/s) Location 街道或高速公路的名称
v_Acc 车辆的瞬时加速度(ft/s<sup>2</sup>)
如图1所示，运用本发明提出的智能网联环境下基于神经网络和IDM模型的非网联车位置估计方法，对非网联-网联跟驰车对中的非网联车辆进行位置估计，包括如下步骤：
（1）获取高速公路上非网联-网联跟驰车对中网联车辆在T时间段内的交通流数据；所述非网联-网联跟驰车对中，非网联车为被跟驰车辆，网联车为跟驰车辆；所述交通流数据包括速度、加速度数据以及车辆编号，其中，车辆编号是唯一确定该车辆的数据；
（2）对网联车辆的速度和加速度数据进行预处理，包括如下步骤：
（2.1）基于sEMA方法对网联车辆的速度和加速度数据进行平滑处理，具体如下：
Figure 992809DEST_PATH_IMAGE023
（1）
其中，
Figure 429606DEST_PATH_IMAGE024
，
Figure 994580DEST_PATH_IMAGE025
，
Figure 925758DEST_PATH_IMAGE026
；
式中平滑核定义为
Figure 259787DEST_PATH_IMAGE027
，
Figure 867486DEST_PATH_IMAGE028
为平滑核的平滑窗口，D为考虑了数据边界的 平滑窗口宽度。
Figure 919756DEST_PATH_IMAGE029
是网联车辆α在t i 时刻的运行参数，
Figure 887580DEST_PATH_IMAGE030
是平滑后网联车辆α在t i 时 刻的运行参数，例如速度、加速度、位置等。
Figure 138433DEST_PATH_IMAGE031
代表轨迹中数据点位置序号，其中
Figure 917033DEST_PATH_IMAGE032
为 网联车辆α的总帧数。H为平滑核的时间长度，dt为数据的采样间隔。
本实例中数据采样间隔dt为0.1s。为了能在实现去噪的同时最大可能保留数据特 征，当
Figure 456599DEST_PATH_IMAGE033
为车速数据时，H取1s，为加速度数据时H取0.3s。
（2.2）采用min-max标准化对网联车辆的速度和加速度数据行归一化处理作为神经网络模型的输入。具体如下：
Figure 978847DEST_PATH_IMAGE034
（2）
式中min为网联车辆α在T时间段内运行参数样本的最小值，max为样本的最大值，
Figure 256112DEST_PATH_IMAGE035
为最终预处理后的网联车辆α在t i 时刻的运行参数，包括速度
Figure 2351DEST_PATH_IMAGE036
、加速度
Figure 763634DEST_PATH_IMAGE037
、位 置
Figure 89573DEST_PATH_IMAGE038
等。
（3）将预处理后的网联车辆的速度和加速度数据序列构建为输入向量，基于BP神经网络拟合非网联车辆的速度数据。
本实例中，根据NGSIM公开数据集构建BP神经网络的训练集和测试集，提取5878501条跟驰车对数据作为神经网络模型的样本数据，跟驰车对中前车作为非网联车，后车为网联车。训练数据与测试数据的比例以7:3划分，随机选取70%数据作为训练数据，30%数据作为测试数据。
本实例中， BP神经网络为10-30-30-1的结构，其中10代表输入层，30-30代表隐含 层，1代表输出层。此时输入层变量为
Figure 501969DEST_PATH_IMAGE039
和
Figure 622371DEST_PATH_IMAGE040
，其中t i 代表当 前时刻，t i -4代表往前4个时间段的时刻。BP神经网络结构如图2所示。
（4）基于人工蜂群算法和高速公路历史交通流数据进行智能驾驶员模型标定；
智能驾驶员模型（IDM）模型表达形式如下式：
Figure 339792DEST_PATH_IMAGE041
（3）
Figure 580DEST_PATH_IMAGE042
（4）
Figure 768947DEST_PATH_IMAGE043
（5）
式中：s*为期望间距(m)；a为最大加速度(m/s 2 )；b为舒适减速度(m/s 2 )；v f 为自由 流速度(m/s)；δ为加速度指数，通常取4；s0为静止安全距离(m)；s1为系数，一般取值为0；
Figure 325830DEST_PATH_IMAGE044
为车辆间隙，即前车车尾到后车车头的距离(m)；T0为安全时间间隔(s)。α为网联车编号，α- 1为非网联车编号，表示非网联车在前，网联车在后。
以实际加速度与智能驾驶员模型仿真计算所得加速度和实际轨迹与智能驾驶员模型仿真计算轨迹误差之和最小为优化目标，从而消除在参数标定的过程中加速度为零的影响。
目标方程为：
Figure 264968DEST_PATH_IMAGE045
（6）
其中，m=1,…M表示第m个跟驰车对，n=1,…,N表示一个跟驰车对中第n个跟驰样本数据；
Figure 729447DEST_PATH_IMAGE046
——表示跟驰车辆（后车）在仿真时间间隔结束时的实际观测到的加速度；
Figure 54118DEST_PATH_IMAGE047
——表示跟驰车辆（后车）在仿真时间间隔结束时的仿真所得的加速度；
Figure 578640DEST_PATH_IMAGE048
——表示在仿真时间间隔结束时的实际观测到的跟驰车对的车头间距；
Figure 5073DEST_PATH_IMAGE049
——表示在仿真时间间隔结束时的仿真所得的跟驰车对的车头间距。
本实施例中，跟驰参数标定结果见表2。
表2 IDM模型参数与参数取值
Figure 7664DEST_PATH_IMAGE050
（5）基于标定好的跟驰模型求解非网联车辆的位置，包括如下步骤：
（5.1）根据式（4）中标定好的智能驾驶员模型计算非网联车与网联车辆的期望间 距
Figure 950956DEST_PATH_IMAGE006
，具体公式为：
Figure 849642DEST_PATH_IMAGE051
（5.2）根据（5.1）计算得到的期望间距和（4）中标定好的模型参数计算非网联车与 网联车辆的车辆间隙
Figure 294530DEST_PATH_IMAGE052
；
Figure 100812DEST_PATH_IMAGE053
（5.3）根据网联车辆的位置、车辆长度以及（5.2）计算得到的车辆间隙求解非网联车辆的位置：
Figure 462392DEST_PATH_IMAGE019
式中，
Figure 469662DEST_PATH_IMAGE054
为t i 时刻非网联车位置；
Figure 667425DEST_PATH_IMAGE055
为t i 时刻网联车位置；
Figure 965814DEST_PATH_IMAGE056
为非网 联车车身长度，通常取5m。
在本实例中的非网联车辆位置估计结果见图3，其中横轴为时间步，纵轴为位置。从图中可以看出根据网联车的位置等信息，结合智能驾驶员模型可对非网联车位置进行较好的估计，该非网联车估计的均方根误差（Root Mean Square Error,RMSE）为5.4，其中RMSE计算公式为：
Figure 932633DEST_PATH_IMAGE057
式中
Figure 907542DEST_PATH_IMAGE058
为第i个时间步的真实位置，
Figure 858181DEST_PATH_IMAGE059
为第i个时间步的估计位 置。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (4)

1.一种智能网联环境下非网联车位置估计方法，其特征在于，具体步骤如下：
（1）获取高速公路上非网联-网联跟驰车对中网联车在T时间段内的交通流数据；所述非网联-网联跟驰车对中，非网联车为被跟驰车辆，网联车为跟驰车辆；所述交通流数据包括速度、加速度数据以及车辆编号，其中，车辆编号是唯一确定该车辆的数据；
（2）对网联车的速度和加速度数据分别进行平滑和归一化预处理，得到预处理的速度和加速度数据；
（3）基于训练好的BP神经网络利用步骤（2）获得的预处理的速度和加速度数据估计非网联车的速度；
（4）基于标定好的智能驾驶员模型利用步骤（3）估计的非网联车的速度求解非网联车的位置；
其中，智能驾驶员模型采用人工蜂群算法利用高速公路历史交通流数据进行标定，标定时以实际加速度与仿真加速度和实际轨迹与仿真轨迹误差之和最小为优化目标，目标方程为：
Figure DEST_PATH_IMAGE001
其中，m=1,…M表示第m个跟驰车对，n=1,…,N表示一个跟驰车对中第n组跟驰样本数 据；
Figure 154446DEST_PATH_IMAGE002
为跟驰车辆在仿真时间间隔结束时的实际观测到的加速度；
Figure DEST_PATH_IMAGE003
为跟驰车辆在仿 真时间间隔结束时的仿真所得的加速度；
Figure 844184DEST_PATH_IMAGE004
表示在仿真时间间隔结束时的实际观测到 的跟驰车对的车头时距；
Figure DEST_PATH_IMAGE005
表示在仿真时间间隔结束时的仿真所得的跟驰车对的车头 时距；
求解非网联车的位置，具体包含如下步骤：
（4.1）根据智能驾驶员模型计算非网联车与网联车的期望间距
Figure 525701DEST_PATH_IMAGE006
，具体公式为：
Figure 169566DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为静止安全距离；
Figure 430783DEST_PATH_IMAGE010
为跟驰车辆
Figure 161978DEST_PATH_IMAGE012
的速度；
Figure DEST_PATH_IMAGE013
为安全时间间隔；
Figure 526314DEST_PATH_IMAGE014
为最大加 速度；b为舒适减速度；
Figure 359272DEST_PATH_IMAGE012
为网联车编号，
Figure 893021DEST_PATH_IMAGE012
-1为非网联车编号；
（4.2）根据（4.1）计算得到的期望间距和智能驾驶员模型参数计算非网联车与网联车 的车辆间隙
Figure DEST_PATH_IMAGE015
：
Figure DEST_PATH_IMAGE017
式中，δ为加速度指数，取值为4；
Figure 603357DEST_PATH_IMAGE018
为跟驰车辆
Figure 95518DEST_PATH_IMAGE012
的加速度；
Figure DEST_PATH_IMAGE019
为自由流速度；
（4.3）根据网联车的位置、车辆长度以及（4.2）计算得到的车辆间隙求解非网联车的位置：
Figure DEST_PATH_IMAGE021
式中，
Figure 713975DEST_PATH_IMAGE022
为t i 时刻非网联车位置；
Figure DEST_PATH_IMAGE023
为t i 时刻网联车位置；
Figure 864465DEST_PATH_IMAGE024
为非网联车车 身长度。
2.根据权利要求1所述的一种智能网联环境下非网联车位置估计方法，其特征在于：所述步骤（1）中，交通流数据为或能转化为结构化数据。
3.根据权利要求1所述的一种智能网联环境下非网联车位置估计方法，其特征在于：所述步骤（2）中包含如下步骤：
（2.1）基于sEMA方法对网联车的速度和加速度数据分别进行平滑处理；
（2.2）采用min-max标准化对网联车的速度和加速度数据分别进行归一化处理。
4.根据权利要求1所述的一种智能网联环境下非网联车位置估计方法，其特征在于：所述步骤（3）中，将网联车前t秒时间内的速度和加速度数据序列构建为BP神经网络的输入向量，拟合非网联车的速度数据，t<T。
CN202010542068.8A 2020-06-15 2020-06-15 一种智能网联环境下非网联车位置估计方法 Active CN111445015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010542068.8A CN111445015B (zh) 2020-06-15 2020-06-15 一种智能网联环境下非网联车位置估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010542068.8A CN111445015B (zh) 2020-06-15 2020-06-15 一种智能网联环境下非网联车位置估计方法

Publications (2)

Publication Number Publication Date
CN111445015A CN111445015A (zh) 2020-07-24
CN111445015B true CN111445015B (zh) 2020-10-13

Family

ID=71655594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010542068.8A Active CN111445015B (zh) 2020-06-15 2020-06-15 一种智能网联环境下非网联车位置估计方法

Country Status (1)

Country Link
CN (1) CN111445015B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112817A (zh) * 2021-04-13 2021-07-13 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于车联网和跟驰行为的隧道车辆定位和预警***及其方法
CN114187759B (zh) * 2021-11-19 2023-01-03 东南大学 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置
CN115691111B (zh) * 2022-09-22 2024-01-23 连云港杰瑞电子有限公司 适用于交通流数据采集的网联车最小渗透率计算方法
CN115547047A (zh) * 2022-09-30 2022-12-30 中汽院智能网联科技有限公司 一种基于注意力模型的智能网联车跟驰模型
CN116013101B (zh) * 2023-03-27 2023-06-20 之江实验室 一种基于网联环境的无信号路口速度建议***和方法
CN116758722B (zh) * 2023-05-12 2024-05-31 湖南大学 一种基于数据驱动的混合交通环境网联车辆控制***及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11201276A (ja) * 1998-01-14 1999-07-27 Denso Corp 自動変速機の制御装置
US20030208313A1 (en) * 2002-05-01 2003-11-06 Wells Charles Hilliary System for computing speeds and estimated arrival times for moving vehicles
US8655536B2 (en) * 2009-11-16 2014-02-18 Trimble Navigation Limited Method and system for augmenting a guidance system with a path sensor
CN106991846B (zh) * 2017-05-15 2020-04-21 东南大学 一种车联网环境下的高速公路车辆强制换道控制方法
CN108039053B (zh) * 2017-11-29 2019-11-15 南京锦和佳鑫信息科技有限公司 一种智能网联交通***
CN108986471B (zh) * 2018-06-22 2020-08-21 长安大学 混合交通条件下交叉口车辆引导方法
CN109978260B (zh) * 2019-03-26 2023-02-21 重庆邮电大学 混合交通流下网联车跟驰行为预测方法
CN110459053B (zh) * 2019-07-29 2022-06-07 南京理工大学 基于智能网联车信息的高速公路混合车流速度估计方法

Also Published As

Publication number Publication date
CN111445015A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111445015B (zh) 一种智能网联环境下非网联车位置估计方法
CN105046956B (zh) 一种基于转向系数的交通流模拟及预测方法
WO2018064931A1 (zh) 考虑出租车运营状态下的城市道路行程时间分布估算方法
CN108492562B (zh) 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法
CN104574967B (zh) 一种基于北斗的城市大面积路网交通感知方法
CN109275121B (zh) 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法
CN108820039B (zh) 一种无人驾驶车辆弯道横向控制***及方法
CN109064748B (zh) 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN105006147B (zh) 一种基于道路时空关联关系的路段行程时间推断方法
CN107492251A (zh) 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN102708698A (zh) 基于车联网的车辆最优路径导航方法
CN109272745B (zh) 一种基于深度神经网络的车辆轨迹预测方法
EP2431244A1 (en) Driver profiling system and method
CN108335483B (zh) 交通拥堵扩散路径的推断方法及其***
CN104750963B (zh) 交叉口延误时长估计方法及装置
CN110675626B (zh) 基于多维数据的交通事故黑点预测方法、装置及介质
CN106548258B (zh) 一种基于气象条件的交通空气污染物浓度预测方法与***
CN109872533A (zh) 一种基于空间数据的车道级实时交通情报处理方法
CN108665191A (zh) 基于聚集效应的地铁站外关联区域计算方法
CN114169444B (zh) 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法
CN108508471A (zh) 一种无人驾驶车辆定位方法及装置
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN109190811A (zh) 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法
CN106097717A (zh) 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法
CN116052435B (zh) 一种城市道路拥堵影响范围界定与道路影响力计算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant